-
公开(公告)号：CN108182685B
公开(公告)日：2020-03-03
申请号：CN201711451082.1
申请日：2017-12-27
申请人： 三峡大学
摘要： 本发明提供一种结合置信传播思想和PCNN的图像分割方法及装置，包括：S1，使用PCNN模型对目标图像进行分割，获取所述PCNN模型每次迭代输出的分割结果；S2，获取小于或等于所述PCNN模型中迭代总次数的正整数集合，对于所述正整数集合中的每个整数，将前整数次迭代输出的所述分割结果分别进行合并；S3，使用Otsu算法对各合并结果进行度量，将度量值最大的所述合并结果作为所述目标图像的最终分割结果。本发明通过将PCNN模型每次迭代的分割结果进行合并，使用Otsu算法对合并结果进行全局估计，将最优的合并结果作为目标图像的最终分割结果，在保证局部较优的情况下自动获取全局较优的分割结果。
-
公开(公告)号：CN109816666A
公开(公告)日：2019-05-28
申请号：CN201910009415.8
申请日：2019-01-04
申请人： 三峡大学
摘要： 本发明实施例提供一种对称全卷积神经网络模型构建方法、眼底图像血管分割方法、装置、计算机设备及存储介质。所述训练方法包括：对原始眼底图像进行分块处理以及白化处理以得到原始眼底图像块；将原始眼底图像块输入到预设的对称全卷积神经网络中进行训练，以得到预设的对称全卷积神经网络模型，其中，该模型中的每一隐藏层实现对本层输入的特征图进行处理，对本层之前所有输出的特征图进行处理，以实现输入为原始眼底图像块，输出为与原始眼底图像块对应的每个像素的眼底血管分割结果。本发明实施例还提供一种眼底图像血管分割方法。本发明实施例构建的模型避免了过拟合问题，提高了模型的泛化能力，提高了眼底图像血管分割的准确度和精度。
-
公开(公告)号：CN118365558A
公开(公告)日：2024-07-19
申请号：CN202410456474.0
申请日：2024-04-16
申请人： 三峡大学
摘要： 一种基于雾天交通道路图像的去雾方法，将小波变换嵌入到DehazeFormer网络中，通过小波变换，可以获得不同频率的信息，从而减少光晕和泛光效应，提高图像的清晰度；针对雾天交通道路图像低对比度的问题，在编码器中引入选择性核特征融合，通过自适应地选择和加权特征，来增强图像的对比度并提高对低对比度雾天图像中物体和道路的分辨能力，从而增强了图像的对比度；针对雾天交通道路图像模糊和失真问题，局部残差结构引入了CBMA注意力机制和内容引导注意力机制CGA，有助于解决模糊和失真问题。该网络在提升雾图像的对比度、降低雾图模糊和失真等方面表现出优良的性能，同时在去雾后的检测任务中也展现了出色的表现。
-
公开(公告)号：CN117541600A
公开(公告)日：2024-02-09
申请号：CN202311275327.5
申请日：2023-09-28
申请人： 三峡大学
IPC分类号： G06T7/11 , G06T7/00 , G06V10/40 , G06V10/80 , G06V10/82 , G06N3/0455 , G06N3/0464 , G06N3/0499
摘要： 一种基于Transformer和多级特征聚合的乳腺超声肿块分割方法，包括以下步骤：步骤1：对乳腺超声图像的特征提取，输出4层特征图；步骤2：将输出的4层特征图输入解码部分的多层分支感受野模块RBF；步骤3：使用置换注意力模块SAM对4层具有广泛上下文信息的特征图进行重要信息捕获，输出特征图；步骤4：采用聚合模块Aggregation Module对输出特征图S3、特征图S4进行融合，得到特征图A1；采用聚合模块Aggregation Module对特征图A1与特征图S2进行融合，得到特征图A2；采用聚合模块Aggregation Module对特征图A2与特征图S1进行融合，得到特征图A3。本发明能解决乳腺超声肿块分割中乳腺超声图像存在噪声、乳腺组织和病变对比度低、可能出现伪影或伪结构导致误分割、分割不连续的问题。
-
公开(公告)号：CN116740085A
公开(公告)日：2023-09-12
申请号：CN202310523188.7
申请日：2023-05-10
申请人： 三峡大学
IPC分类号： G06T7/11 , G06T7/00 , G06T7/194 , G06T5/00 , G06T5/50 , G06V10/77 , G06V10/764 , G06V10/26 , G06V10/82 , G06N3/0464 , G06N3/047 , G06N3/0455 , G06N3/08
摘要： 一种多尺度拆分注意力机制的皮肤病图像分割方法，它包括以下步骤：步骤1：读取皮肤病图像数据集并进行划分和预处理；步骤2：构建多尺度拆分注意力机制网络；步骤3：将步骤1中的皮肤病图像中的训练集和验证集送入步骤2构建的网络中训练；步骤4：将步骤1划分的测试集送入步骤3训练好的网络进行预测；步骤5：输出最终预测图像。本发明的目的是为了解决现有皮肤病图像分割技术存在的图像病变区域大小不一、对比度不足的技术问题，而提供的一种多尺度拆分注意力机制的皮肤病图像分割方法。
-
公开(公告)号：CN109829931B
公开(公告)日：2023-07-11
申请号：CN201910013381.X
申请日：2019-01-07
申请人： 三峡大学
摘要： 一种基于区域增长PCNN的视网膜血管分割方法，包括从目标视网膜血管图像的未标记像素中选择种子点；增大PCNN模型的连接强度，使用连接强度增大后的PCNN模型以种子点为起始点提取目标视网膜血管图像中的血管特征，直到增大后的连接强度大于第一预设阈值；若本次迭代提取的血管特征不同时满足第一预设条件和第二预设条件，则将本次迭代提取的血管特征对应的像素标记为同一标签，直到所有像素都标记有标签；其中，第一预设条件为血管边缘像素的数量占血管像素总数量的比例小于或等于第二预设阈值；第二预设条件为血管面积占整张图像面积的比例小于或等于第三预设阈值。本发明实现血管区域的自动生长，提高了视网膜血管分割的精度。
-
公开(公告)号：CN115512224A
公开(公告)日：2022-12-23
申请号：CN202211191533.3
申请日：2022-09-28
申请人： 三峡大学
IPC分类号： G06V20/10 , G06V10/50 , G06V10/30 , G06V10/44 , G06V10/28 , G06V10/26 , G06T5/00 , G06T7/00 , G06T7/136 , G06T7/187
摘要： 一种曲线拟合对比度增强的道路裂缝检测方法，它包括以下步骤：步骤1：以若干组道路裂缝图像的灰度均值参数为自变量，其对应的最优对比度增强参数值为因变量，构造线性拟合法、指数拟合法、以及傅里叶级数拟合法等三种曲线拟合，得到函数关系式；步骤2：对道路裂缝图像进行预处理；包括图像灰度化、直方图均衡化、图像中值滤波、对步骤1中通过三种曲线拟合构造的函数关系式进行对比度增强；步骤3：对经过步骤2对比度增强后的图像进行二值化处理，获得二值图像，并进行阈值分割；步骤4：用所获得的阈值对图像进行阈值分割以实现裂缝的标记；通过以上步骤获得裂缝的标记、检测。
-
公开(公告)号：CN110473210B
公开(公告)日：2022-05-24
申请号：CN201910715594.7
申请日：2019-08-05
申请人： 三峡大学
摘要： 本发明实施例提供一种基于置信度传播的图像分割方法和装置，方法包括：对待分割图像进行小波变换，得到各尺度的特征向量；针对任一尺度，基于置信度传播算法进行尺度内迭代分割，并计算每一迭代分割结果对应的全局能量，直至达到预设尺度内迭代条件；全局能量包括基于迭代分割结果和特征向量得到的标记场能量和特征场能量；将全局能量最小时对应的迭代分割结果作为该尺度的最终分割结果，将该尺度的最终分割结果作为下一尺度的初始分割结果，进行尺度间迭代分割，直至得到最细尺度的最终分割结果；将最细尺度的最终分割结果作为待分割图像的最终分割结果。本发明实施例提供的方法和装置，实现了全局最优的图像分割，提高了图像分割的准确性。
-
公开(公告)号：CN114359214A
公开(公告)日：2022-04-15
申请号：CN202111662906.6
申请日：2021-12-30
申请人： 三峡大学
摘要： 一种基于拆分注意力的网络结合TRW‑S算法的息肉分割方法，它包括以下步骤：步骤1：收集若干个息肉分割的数据集；步骤2：对数据集进行数据增强；步骤3：进行数据集的划分；步骤4：构建拆分注意力多尺度聚合网络；步骤5：将步骤3中划分后的数据集放入步骤4建立的网络中进行训练；步骤6：将测试集进行测试时数据增强(TTA)并输入步骤5训练好的网络得出预测图；步骤7：将预测图输入基于马尔科夫随机场的顺序树加权信息传递算法（TRW‑S）进行边缘平滑；步骤8：输出预测图像；步骤9：构建评价体系对分割结果进行评价。
-
公开(公告)号：CN117078946A
公开(公告)日：2023-11-17
申请号：CN202310832233.7
申请日：2023-07-07
申请人： 三峡大学
IPC分类号： G06V10/40 , G06V10/26 , G06V10/80 , G06V10/34 , G06V10/44 , G06V10/82 , G06N3/0464 , G06N3/0455 , G06N3/08 , G06V10/20
摘要： 一种多分支聚合网络的息肉图像分割方法，包括以下步骤：步骤1：利用PVTv2编码层特征提取模块作为网络编码部分实现对息肉图像的特征提取，输出4层特征图；步骤2：将输出的4层特征图输入线性增强层LE，获得4层已加强局部信息的特征图；步骤3：使用并行解码约束PDC1、并行解码约束PDC2融合经过线性增强层LE的特征图；步骤4：对经过并行解码约束PDC1、并行解码约束PDC2处理的特征图分别上采样；步骤5：在测试阶段裁剪并行解码约束PDC1，仅对并行解码约束PDC2采用测试时数据增强TTA的方式；步骤6：对测试时数据增强TTA输出结果经过基于马尔科夫随机场的顺序树加权信息传递算法TRW‑S，对灰度图分割边缘进行平滑；通过以上步骤对目标息肉图像进行分割。
-
-
-
-
-
-
-
-
-
搜索结果
46 条记录 (耗时 0.055 秒)
